Landbrugsministeriet
Statens Planteavlsforsøg (SS)
Temadag om
Biometri og Informatik
1991
Afdeling for Biometri og Informatik Lyngby
Tidsskrift for Planteavls Specialserie
Beretning nr. S 2129 - 1991
Landbrugsministeriet .
Statens Planteavlsforsøg
Temadag om
Biometri og Informatik
1991
Danmarks JordbrugsForskning Biblioteket
Forskningscenter Flakkebjerg 4200 Slagelse
Afdeling for Biometri og Informatik Lyngby
Tidsskrift for Planteavls Specialserie
Beretning nr. S 2129 -1991
Statens Planteavlsforsøg Beretning nr. S 2129 Direktionssekretariatet
Afdeling for Biometri og Informatik Lottenborgvej 24
2800 Lyngby T lf 45 93 09 99
Temadag om Biometri og Informatik 1991
Indholdsfortegnelse Side
Indholdsfortegnelse ... ... 3
Resumé og Sum m ary... J ...5
Developing WEEDOF a prototype expert system for planning weed control in organic farming. Ulla Dindorp ... 7
Videnbaserede systemer - metoder og erfaringer. Torben Ballegaard, Lene Kolind Rasmussen, Flemming Skov og Iver T hysen... 15
EMMA: et edb-system til lagring af historiske oplysninger om forsøgsmarker ved Statens Planteavlsforsøg. Ove Juel Hansen ... 25
Udvikling af edb-modellen HUGO for omsætning af kvælstof fra dyr til plante, herunder kvantificering af de enkelte led i omsætningskæden. Ivan M u n k ... 31
Model for nettostrålingen udviklet på grundlag af "simple" meteorologiske målinger. Inge R.Korsgaard og Harold E. Mikkelsen ... 47
Prædiktion af bygs udviklingstrin. Jens Erik Jensen ... 61
Metoder for test af varianshomogenitet. Bjarne Nielsen ... 75
Spatial variation in spray deposition. Klaus Juel Olsen og Ebbe Nordbo ...91
Produktionsfunktioner for sammenhæng mellem udbytte og kvælstoftilførsel Bjarne Nielsen og Kristian Kristensen ... 105
Non-lineaer regressionsanalyse til estimering af planters vand- relationer målt med tryk-volumen metoden. Mathias N. Andersen ... 117
A parsimonious statistical model for the nitrate teaching at different levels of N-fertilizer. Annette Ersbøll og S. E. Simmelsgård ... 129
Temadag om Biometri og Informatik 1991
Seminar on Biometry and Informatics 1991
Resumé
Denne beretning indeholder i alt 11 artikler, som udgør hovedparten af de emner, der blev præsenteret ved en Temadag om Biometri og Informatik. Arrangementet blev holdt på Hotel Nyborg Strand den 15. maj. Målgruppen for både de mundtlige og skriftlige indlæg er videnskabelig personale, som arbejder med planteavlsforsøg. En liste over de 11 artikler er gengivet nedenfor.
Artikler på engelsk indeholder et dansk resumé.
Summary
This report contains a total of 11 papers, which were presented at a seminar on Biometry and Informatics held at Hotel Nyborg Strand, Nyborg, Denmark. The following is a list of the 11 papers.
Developing WEEDOF a prototype expert system for planning weed control in organic farming.
(Udvikling af WEEDOF - en prototype på et ekspertsystem til planlægning af ikke-kemisk ukrudtsbekæmpelse) by Ulla Dindorp. Videnbaserede systemer - metoder og erfaringer (Knowledge- based systems - methods and experiences) by Torben Ballegaard, Lene Kolind Rasmussen, Flemming Skov and Iver Thysen. EMMA: et edb-system til lagring af historiske oplysninger om forsøgsmarker ved Statens Planteavlsforsøg (A Computer program to store and retrieve historical information on experimental fields at the Danish Institute of Plant and Soil Science) by Ove Juel Hansen.Udvikling af edb-modellen HUGO for omsætning af kvælstof fra dyr til plante, herunder kvantificering af de enkelte led i omsætningskæden (Development of the edp-model HUGO for nitrogen in the chain of processes from animals to plants) by Ivan Munk. Model for nettostrålingen udviklet på grundlag af "simple" meteorologiske målinger (A model for net radiation based on "simple" meteorological observations) by Inge R. Korsgaard and Harald E. Mikkelsen. Prædiktion af bygs udviklingstrin (Prediction of development in barley) by Jens Erik Jensen. Metoder for test af varianshomogenitet (Methods for testing homogeneity of variances) by Bjarne Nielsen. Spatial variation in spray deposition (Rumlig variation i afsætning af sprøjtevæske) by Klaus Juel Olsen and Ebbe Nordbo.
Produktionsfunktioner for sammenhæng mellem udbytte og kvælstoftilførsel (Production functions for the relationship between yield and nitrogen fertilizer) by Bjarne Nielsen and Kristian Kristensen.
Non-lineær regressionsanalyse til estimering af planters vandrelationer målt med tryk-volumen metoden (Non-linear regression analysis to estimate plant water relations measured by the pressure- volume method) by Mathias N. Andersen. A parsimonious statistical model for the nitrate leaching at different levels of N-fertilizer (En statistisk model med få parametre for kvælstofudvaskningen ved forskellige N-gødskningsniveauer) by Annette Ersbøll and S. E. Simmelsgård
Papers in Danish are given with an English summary.
Developing WEEDOF a prototype expert system for planning weed control in organic farming
Udvikling af WEEDOF - en prototype på et ekspertsystem til planlægning a f ikke- kemisk ukrudtsbekæmpelse
Ulla Dindorp Department o f Biometry and Informatics
Summary
Organic fanning has several problems, one of them is the control of weeds. This paper presents the prototype expert system WEEDOF (WEED control in Organic Farming) designed to help organic farmers planning their weed control. The construction process and the structure of WEEDOF are described and an example of the consultation shown.
Resumé
Økologisk jordbrug har flere problemer, hvoraf et er bekæmpelsen af ukrudt. WEEDOF er en prototype på et ekspertsystem der skal hjælpe økologiske jordbrugere med at planlægge deres ikke- kemiske ukrudtsbekæmpelse. I artiklen beskrives dels den normale konstruktionsprocedure ved programmering af ekspertsystemer, dels konstruktionsprocessen og strukturen i WEEDOF sammen med et eksempel på en konsultation.
Introduction
Organic farming has long been a small and neglected part of agriculture in Denmark, but in the eighties the method has received consi
derable interest from especially political quar
ters for several reasons among them environ
mental concerns.
There are several problems in organic farming;
one of them is the control of weeds. As herbicide spraying is not allowed, control must be done using mechanical and other methods, often with a bad or shifting effect.
There is a need for improving these methods to get a better performance, and in recent years researchers have worked on the methods, examining them and trying to improve them.
The results of these experiments are needed in the practice of organic farming, and should be propagated quickly. One method of doing this is using expert system technology.
This technology is rather new. In the early 1970’s the AI-research achieved success in development of several expert systems - systems with specialized problem solving expertise. At that time research in artificial intelligence required use of quite expensive super compu
ters. The development of faster and very cheap personal computers and specialized software systems made expert systems a promising tool in many research areas, and in the mid-eighties the first papers on agricultural applications appeared (Mckinion & Lemmon 1985, Dolu- schitz & Schmisseur 1988).
This paper describes the development of a prototype expert system for use as an advisory aid in planning weed control in organic farming.
The first part ‘constructing an expert system’
describes the general construction steps in developing expert systems. The remaining part describes the methods used in this project.
Constructing an expert system
An expert system is defined as a computer program, that relies on knowledge and reason
ing to perform a task otherwise performed only by a human expert in a narrow problem area.
In traditional computer systems development systems analysis has been developed over a number of years, and formal methodologies for constructing the systems have evolved. These steps have no parallels in the process of build
ing an expert system. Instead such systems are constructed in an iterative and experimental way.
Expert system development can be divided into four stages (Hayes-Roth et al 1983).
Identification - The first step in expert system development is definition of the problem area, the scope of the program and the objectives to build the program.
Knowledge acquisition - At this stage the transfer and transformation of problem
solving expertise from some knowledge source to a representation suggested by the expert system building tool is done.
Implementation - During implementation the design details are implemented, the formalized knowledge is combined and reorganized to make it compatible with the problem solving strategies.
Test - Testing involves evaluation of the prototype program and revising it.
These stages are not well-defined or even independent. The stages overlap and the pro
cess is characterized by its iterative nature. It is recommended to start the implementation
early, thus the development proceeds through a series of prototypes.
Of these four stages knowledge acquisition is a bottleneck in the construction of expert sys
tems. Potential sources of knowledge includes human experts, text books and data bases, but no single recognized methodology exists for acquisition of knowledge.
In the normal way of constructing expert sys
tems, the knowledge is contributed by an expert. Common techniques used for knowl
edge elicitation from an expert include inter
views, protocol analysis, induction and reper
tory grid technique, interviews being used the most (Brummenæs 1990, Hayes-Roth et al 1983, Ballegaard 1990). Interviewing includes several problems - it takes time, which the expert may not have in excess, the results may have lacks because communication can be a problem, the expert leaves out things obvious to him and so on.
Methods that may become feasible in the future is acquiring knowledge directly from the text book with text understanding programs (Hayes- Roth et al 1983) or letting the expert enter the knowledge directly by the means of a know
ledge acquisition program (Gomez & Segami 1990).
Constructing WEEDOF
Knowledge acquisition
Written material is normally used in an infor
mal way for the knowledge engineer to get acquainted with the domain, before starting the knowledge acquisition process, often by inter
viewing the expert. In this project the initial knowledge acquisition was done using a method for extracting knowledge from written material.
The method assists in analyzing and structuring the public knowledge of the domain (Østerby 1990, Sørensen 1987, Dindorp 1990).
Literature analysis
The material for the analysis was taken from a book on weeds and weed control (Rasmussen 1990, Rasmussen & Vester 1990). Totally 28 pages giving an introduction to weeds in agri
culture and non-chemical control of weeds were used.
The first step of the method is to generate a knowledge survey. This is done by analyzing the text paragraph for paragraph identifying elements of relevance in the text. The relevant information is extracted and rewritten in a more uniform way as notes containing the knowledge embedded in the original paragraph.
The notes are now further analyzed and rewritten, trying to obtain a collection of notes cleared of synonyms, where each note is a short sentence containing only one piece of knowl
edge.
During the process of rewriting the notes a concept hierarchy is constructed and modified.
The basic part of the hierarchy is general and domain independent (fig. 1).
Everything Attribute Object
Animal Plant Thing Situation
Incident
Action Event State
Location Time
Figure 1. The upper part o f the hierarchy. (0- sterby 1990)
The notes are the material used for building the hierarchy. They contain knowledge about objects in the domain; knowledge like facts, explanations, definitions and examples.
The objects in the notes were marked and all entries concerning the same object were col
lected in the same object entry. The object entries were then considered candidates to be included in the hierarchy.
This procedure resulted in approximately 240 notes containing around 40 different objects and attributes.
The notes covered the basic knowledge of the domain as well as knowledge about non-che
mical control methods. A note could be a fact like this:
Dry matter minimum fo r couch grass is 3-4 leaves
or a rule:
Harrowing works by covering the weeds From the notes the objects were placed in the appropriate place in the concept hierarchy (fig.
2).
The collection of notes together with the concept hierarchy can be seen as a model for the domain. It defines the objects, facts about them and relations between them.
The models were not complete. The chosen text book only covered the subject in a more general way. A text book trying to teach the subject would contain deeper knowledge about causal relations in the domain, and would make the models extracted more complete.
Interviews
After the literature analysis, experts were involved. Their role was to provide the problem solving strategies and the specific knowledge
Everything Attribute
Seed attributes (4) Weed attributes (10) Crop attributes (2) Harvest attributes (1) Earth attributes (5) Sowing attributes (5) Climate attributes (2) Object
Animal (0) Plant
Weed Crop Seed
Vegetative reproduction organs Thing
Soil Crop Reserves Situation
Incident Action
Sowing
Soil preparation (4) Weed control (5) Crop rotation Event
Climate State
Location Time
Figure 2 Concept hierarchy o f the prototype domain. The figures in parentheses is number o f subclasses.
needed here.
In this part of the knowledge acquisition inter
views were used. The literature analysis pro
vided a good analysis of the domain and its objects. It was now possible to focus on the scope of the system and the problem solving
strategies, and later on continue with specific parts of the problem.
The problem solving strategy is the central part of an expert system, and therefore important to establish. This was also the most abstract subject for the experts to work on. It is gene
rally known that people seldom recognizes the problem solving strategies they are using (Hayes-Roth et al 1983). As a start the experts own strategy for planning weed control was examined and imitated; during implementation the strategy was revised to obtain a good struc
ture in the program.
When the problem solving strategy was imple
mented, work began on the subproblem con
sidered most important by the experts - direct control of seed-propagated weeds.
Beside interviews, a lot of well-defined prob
lems were solved using telephone calls and correspondence. Totally the number of inter
views has been very low (only seven) compared to other expert system projects, due to the initial literature analysis, on the other hand the number of phone calls and letters has been high.
Implementation
The expert system shell EGERIA was selected for the prototype. Expert system shells are special software products with facilities for designing expert systems. Among these facilities are means of representing knowledge and deducing from knowledge.
The coding started when the scope of the system and the problem solving strategy were established. It was decided to start to work on a planning program, which should be able to deal with the most common crops and weeds in organic farming (10 crops and 20 weeds).
Non-chemical control of weeds includes two aspects, direct control for respectively seed- propagated and root-propagated weeds, and a
Figur 3. Problem solving strategy
suitable crop rotation. Certain weeds are indica
tors for an unsuitable crop rotation, others should not occur in certain crops, and indicate cultivation problems.
WEEDOF reflects this partitioning. The pro
gram is divided in modules containing con
nected knowledge. At the moment it contains ten modules, of which one - the main module - controls the communication with the user and
the control of program execution. Another contains a model of domain objects, and four contains knowledge on the four types of weed control:
- Direct control, seed-propagated weeds - Direct control, root-propagated weeds - Crop rotation
- Unnormal weeds
The remaining six modules includes tables and system procedures.
Soil: Sandy loam, few stones Spring harrowing for winter cereals Expected count after control:
Pansy field : 7 - 22
Chickweed common : 9 - 26
Expected yield gain hkg/ha: -1.1 to 0.7 Autumn harrowing for winter cereals Expected count after control:
Pansy field : 4 - 13
Chickweed common : 5 - 15
Expected yield gain hkg/ha: -0.1 to 1.0
Autumn and spring harrowing, Winter cereals Figure 4. Status window. Log with advices from example.
Direct control
The main module controls program execution according to the problem solving strategy decided (fig. 3).
As a start the crop and the expected count of weeds are investigated. If any seed-propagated weeds are found the module for direct control of these will execute, and similarly with root- propagated weeds. The crop rotation module will execute if there are any indicators of crop rotation problems and correspondingly, the unnormal weed module executes, if abnormal weedpopulations are present.
The seed-propagated weed control module is the largest. In this part a simple model for effects of control is build in. In the event of a control action the expected count of weeds is adjusted for control effects considering soil influence, time of the year, crop and conditions,
and the corresponding yield increase is com
puted.
Each of the weed control modules gives advice on their subject. For the moment the modules give advices on all possible actions to be taken;, alternatively only the best working action with respect to yield could be recommended, but it has been considered an advantage for the user to be able to compare different actions and choose among these himself. The advices are gathered in a log which can be examined during a consultation and afterwards.
Example
A consultation starts by collecting basic infor
mation on crop and weeds. Entering winter wheat at maturity as the crop, and chickweed common and pansy field as weeds with expected numbers of 30 and 25, will start of the seed-
propagating weed module. The user will be asked to enter expected yield and soil type. This will result in a series of possible control actions and effects to be shown in the status window (fig 4).
Conclusion
Weedof is a prototype of a planning expert system. The system is intended to give organic farmers help in planning their weed control. It works by giving them a survey of possible methods and advice concerning the weed situ
ation.
The construction process of WEEDOF have been described. The generel procedure for knowledge acquisition for expert systems is to use interviews. In the present project, written material was used for a preliminary analysis of the domain before the interviews took place.
This proved to be a great advantage. The knowledge engineer got a thorough under
standing of the domain and its terminology at an early stage. Beside the concept hierarchy was constructed through this stage.
References
Ballegaard, T. & H. Haas 1990. WEEDEX - an expert system for identification of weed seed
lings In Expert systems in agricultural research, (ed. Skov et al). Fællesberetning SF1, Statens Planteavlsforsøg og Statens Husdyrbrugsforsøg, 27-31.
Brummenæs, N. 1990. Teknikker for tapping av kunnskap. Department of computer science.
Technical University of Denmark.
Dindorp, U, 1990. Development of an expert system for non-chemical weed control In Expert systems in agricultural research, (ed.
Skov et al). Fællesberetning SF1, Statens Planteavlsforsøg og Statens Husdyrbrugsfor
søg, 23-26.
Doluschitz, R. & W.E. Schmisseur 1988. Expert systems: Applications to Agriculture and Farm Management. Comput.Electron.Agric.
2, 173-182.
Gomez, F. & C. Segami 1990. Knowledge acquisition from natural language for expert systems based on classification problem-solv
ing methods. Knowledge Acquisition 2, 107- 128.
Hayes-Roth, F., D .A Waterman & D.B. Lenat 1983. Building expert systems. Addison Wesley Publishing company, Inc.
McKinion, J.M. & H.E. Lemmon 1985. Expert systems for Agriculture. Comput.Electron.
Agric. 1, 31-40.
Rasmussen, J. 1990. Ukrudt i agerlandet in Ukrudtsbekæmpelse i landbruget. Statens Planteavlsforsøg, Planteværnscentret.
Rasmussen, J. & J. Vester 1990. Ikke-kemisk ukrudtsbekæmpelse in Ukrudtsbekæmpelse i landbruget. Statens Planteavlsforsøg, Plante
værnscentret.
Sørensen, P.S. 1987. Ekspertsystem til bio logiske renseanlæg. Exam,Proj. Technical university of Denmark.
Østerby, T. 1990. Knowledge acquisition and specification in information modelling and knowledge bases, IOS Press, Amsterdam.
Videnbaserede systemer - metoder og erfaringer
Knowledge-based systems
-methods and experiences
Torben Ballegaard, Lene Kollnd Rasmussen, Flemming Skov og Iver Thysen Ekspertsystemgruppen, Forskningscenter Fouhtm
Résumé
Pä Forskningscenter Foulum er der oprettet en projektgruppe, der arbejder med anvendelse af videnbaserede systemer inden for jordbrugsforskning og -rådgivning. Projektgruppen har koncentreret sit arbejde om regelbaserede ekspertsystemer, kausale sandsynlighedsnet, neurale net og hypermedia. Der er udviklet et antal prototyper for at belyse de forskellige metoders anvendelighed i relation til biologiske problemstillinger. Det er projektgruppens konklusion, at modelbaserede metoder, blandt de undersøgte metoder kausale sandsynlighedsnet, vil være de mest relevante for jordbrugsforskningen. De øvrige metoder vil kunne finde anvendelse på afgrænsede og velkendte områder, blandt andet ved implementering af beslutningsstøttesystemer i rådgivnings
tjenesten.
Summary
A research project concerning potential application of knowledge-based systems in agricultural research and extension service has been established at Research Centre Foulum. Knowledge-based systems enclose a large number of topics. The present research has been narrowed to Rule-based Expert Systems, Causal Probabilistic Networks, Neural Networks, and Hypermedia. A number of prototype applications have been developed to evaluate the ability of the different methods to deal with biologically based domains. It is the conclusion, that methods based on a model poses the highest potential for use within agricultural research. Other methods might be useful within some well-defined, specific domains, e.g., in implementing decision-support systems for the extension service.
Indledning
Blandt jordbrugsforskere har der gennem længere tid været interesse for anvendelsen af videnbaserede systemer (ekspertsystemer) som et redskab i forskning og rådgivning. Kan den nye teknologi effektivisere forskningen? I hvor høj grad kan computere bidrage til at formidle komplicerede sammenhænge og således gøre forskningsresultater lettere tilgængelige for rådgivningstjenesten og landmændene?
For at skabe mere klarhed omkring den poten
tielle nytteværdi af videnbaserede systemer blev
der i 1989 startet et forskningsprojekt på Forsk
ningscenter Foulum med titlen "Ekspertsy
stemer i Jordbrugsforskningen". Projektet er et fællesprojekt mellem Statens Planteavlsforsøg og Statens Husdyrbrugsforsøg og hører hjemme under det landbrugsministerielle forskningspro
gram "Informatik i Jordbruget” (Mikkelsen &
Skov, 1990).
I projektets formulering blev der lagt vægt på det teoretiske fundament. Samarbejde med datalogiske miljøer på bLa. AUC og Århus Universitet blev derfor prioriteret højt.
At demonstrere videnbaserede systemers for
måen ved eksemplets magt har været en grund
læggende idé for projektet. De første tre måne
der af projektet blev derfor anvendt til at finde faglige problemer, der egnede sig som objekter for videnbaserede systemer. Der blev derefter afsat fire måneder til udvikling af prototyper.
Projektgruppens tiltænkte rolle som formidler af datalogisk ”know-how” om videnbaserede systemer har betydet, at en del tid har været afsat til "opsøgende” arbejde, hvor der har været kontakt til en række afdelinger under Statens Planteavlsforsøg og Statens Husdyr
brugsforsøg.
I december 1990 blev der arrangeret en to
dages workshop for dataloger, jordbrugsfor
skere og repræsentanter fra rådgivnings
tjenesten. Workshoppen havde et dobbelt formål: 1. at øge kendskabet blandt jordbrugs
forskerne til ekspertsystemteknologi; 2. at gøre dataloger opmærksomme på jordbruget som et potentielt interessant område at udvikle appli
kationer tiL I forbindelse med workshoppen blev der udgivet en Fællesberetning indeholden
de alle indlæg på workshoppen (Skov et aL, 1990). Denne beretning giver en introduktion til videnbaserede systemer og giver et indtryk af projektets arbejdsfelt.
Projektgruppen består af forskere med datalo
gisk baggrund samt forskere fra de eksisterende forskningsmiljøer på Forskningscenter Foulum, bLa. er SJVF-projektet "Videnformalisering og - repræsentation i ekspertsystemer til beslut
ningsstøtte i jordbruget” tilknyttet projekt
gruppen.
Figur 1. Faser i udvikling a f videnbaserede systemer.
Udvikling af videnbaserede systemer
Der kan drages mange paralleller mellem systemanalyse, kendt fra traditionel system
udvikling, og indsamling af viden i forbindelse med udvikling af videnbaserede systemer (Hart, 1986). Men i modsætning til den traditionelle systemanalyse, mangler der i vid udstrækning gode gennemprøvede metoder til indsamling og formalisering af den viden, der skal indgå i et videnbaseret system. Der eksisterer en række manuelle og automatiserede metoder. De fleste af disse har imidlertid karakter af "ad hoc"
metoder, der ser ud til at virke, men måske ikke altid er dybere videnskabeligt funderede.
For at processen med at indsamle og formali
sere viden kan forløbe optimalt, er der nogle forudsætninger, der skal opfyldes.
• der skal etableres et frugtbart samarbejde mellem fageksperten og systembyggeren.
Dette samarbejde skal baseres på gensidig respekt og tillid parterne imellem.
• systembyggeren skal tilegne sig en betydelig viden inden for det aktuelle fagområde. Den
ne viden skal sikre systembyggeren og fageks
perten et fælles referencerum for det videre arbejde med indsamling og formalisering af ekspertens viden.
• fogeksperten skal tilegne sig et basalt kend
skab tU teknologien bag videnbaseret syste
mudvikling og til ekspertens rolle ved ud
vikling af et videnbaseret system.
Processen med at transformere viden til et edb- system opdeles ofte i et antal trin eller faser (Hayes-Roth et aL, 1983; Hart, 1986). Der er dog bred enighed om, at denne opdeling pri
mært er af analytisk karakter, da udvikling af videnbaserede systemer er en stærkt iterativ proces (fig. 1). De enkelte faser i processen er ikke så veldefinerede, som det er tilfældet indenfor traditionel systemudvikling (Hart, 1986). I det følgende er faserne kort beskrevet:
Afgrænsning. Den første fase er afgrænsning eller identifikation af det ekspertområde, det er relevant at implementere i et videnbaseret system. Det er nødvendigt på dette trin at specificere og afgrænse målet for det aktuelle system. Ved kravspecifikationen er det for
målstjenligt at tage hensyn til hvilke ressourcer, der er til rådighed for projektet.
Videnindsamling. En af "flaskehalsene" i forbin
delse med udvikling af videnbaserede systemer er indsamling af den viden, der skal repræsen
teres i systemet.
Der er beskrevet flere forskellige teknikker, der kan anvendes, når det er ekspertens private viden, der ønskes ekstraheret. De mest ud
bredte er forskellige former for interviewteknik
ker, protokol analyse, induktion og forskellige former for skaleringsteknikker (Hart, 1986;
Ballegaard, 1990; Brummenses, 1990; Motta et aL, 1990). Fælles for de nasvnte teknikker er, at de forudsætter et nært samarbejde mellem systembygger og fagekspert.
En anden kilde til viden er publiceret materiale i form af bøger, artikler o.L Der er beskrevet formaliserede teknikker til indsamling af viden fra publiceret materiale (Østerby, 1990). Disse teknikker kræver ikke tilstedeværelse af en fag
ekspert, men kan til gengæld kun bruges til at indfange umiddelbar tilgængelig, offentlig viden.
Metoden har dog vist sig at være en god tilgang til et nyt domæne (Dindorp, 1990a).
Videnfonnalisering. Den indsamlede viden skal analyseres og repræsenteres på en form, så eksperten og systembyggeren kan overskue den resulterende konceptuelle (begrebslige) modeL Den konceptuelle model er en abstrakt model af de indbyrdes sammenhænge, der eksisterer mellem forskellige delmængder af den indsam
lede viden.
Videnindsamling og videnfonnalisering er så nært sammenknyttede foser i udviklingen af
videnbaserede systemer, at de i praksis er svære at adskille.
Videnre presentation. Når den konceptuelle model er udviklet og godkendt af de involvere
de parter, skal modellen implementeres. I modsætning til videnindsamling og -formali
sering, er videnrepræsentationen afhængig af tilgængeligt hard- og software. Dette kan føre til et velkendt dilemma: Det er svært at vælge en velegnet repræsentation, før man har en betydelig faglig viden, og det er svært at ind
samle viden uden at have en metode til at fastholde den. Det må dog anbefales, at viden
repræsentationen vælges så tidligt som muligt i projektforløbet Det er af afgørende betyd
ning, at systembyggeren har mulighed for at fastholde indsamlet viden på en eksplicit og synlig måde for at undgå at viden bliver tavs (implicit iygmarvsviden) (Rolston, 1988).
Evaluering. Den resulterende prototype skal testes. Aftestning af videnbasen i et videnba
seret system kan være meget vanskelig og vil typisk fortsætte et stykke ind i det resulterende systems første levetid. Omfang og kompleksitet af aftestningen vil afhænge af videnbasens størrelse. F. eks. er en videnbase, der inde
holder 400 regler, betydelig mere kompleks end fire baser med hver 100 regler. Aftestning vil desuden afhænge af den valgte repræsentation
steknik. F. eks. vil kvaliteten af et neuralt netværk være fuldstændig afhængig af, hvor repræsentativt trænings-datasættet er.
Eks pert system metoder
Videnbaserede systemer dækker et meget bredt spektrum af forskellige metoder og skoler.
Projektgruppen har især fokuseret på følgende metoder:
• Regelbaserede ekspertsystemer
• Kausale net
• Neurale net
• Hypermedia
Regelbaserede ekspertsystemer.
De første ekspertsystemer var regelbaserede.
Teknikken er efterhånden 20-25 år gammel og er velbeskrevet og velafprøvet. Anvendelsen af regelbaserede ekspertsystemer i jordbrugs
forskningen er beskrevet af Dent & Jones (1989), Dindorp (1990b), BaUegaard & Haas (1990) og Skov (1990a).
Regelbaserede ekspertsystemer kendetegnes ved at viden er repræsenteret ved hjælp af fakta og regler. Fakta er den simpleste videnform i et regelbaseret system. Eksempler på simple fakta kunne være: "marken er efterårspløjét", "luft
temperaturen er 21 °C , "afgrøden på marken er vinterhvede", o.s.v. Regler består af en eller flere betingelser vedrørende fakta og en kon
klusion på denne form:
HVIS <fakta> og <fakta> og .. SÅ <kon- klusion>
Problemløsning i et regelbaseret system vareta
ges af inferensmaskinen. Når der bliver stillet et spørgsmål til maskinen, forsøger den at finde regler, der gør det muligt at give en løsning på problemet. Inferens kan beskrives som en søgeproces. Søgningen kan være data-drevet, dvs. baseret på fakta, eller mål-rettet, hvor inferensmaskinen præsenteres for en konklu
sion, som søges be- eller afkræftet Kausale sandsynlighedsnet
Et kausalt sandsynlighedsnet beskriver de kausale (årsagsbestemte) afhængigheder i fagområdet. Kausaliteten repræsenteres ved en graf (fig. 2) bestående af knuder og pile, hvor knuderne repræsenterer begreber og pilene repræsenterer den direkte kausale indflydelse fra såkaldte forældre-knuder til bame-knuder.
Hver knude i nettet defineres med et endeligt antal tilstande. De kausale sammenhænge specificeres ved betingede sandsynligheder for hver tilstand i en bame-knude givet alle kombi
nationer af tilstande for forældrene. Topknuder (knuder uden forældre) specificeres med ube
tingede sandsynligheder.
lige hjerne, hvis struktur med forbundne neuro
ner søges efterlignet. De kunstige neurale net er baseret på en netværksstruktur bestående af knuder og forbindelser mellem disse. Der er mindst 3 lag knuder: et indgangs lag, et udgangs lag samt et eller flere skjulte lag (Gg. 3). Knu
derne er udtryk for et begreb eller udfaldsrum, som har to mulige værdier ’0’ eller *1’. Har en knude værdien ’1* sendes en impuls videre til næste lag langs alle forbindelserne. Impulsen vægtes med en faktor, som er tillagt hver forbindelse. Værdien af knuderne i det modta
gende lag bliver nu ’0’ eller ’1’ afhængig af om den samlede sum af vægte, der modtages, overskrider en given tærskelværdi På denne måde resulterer et givet input til et givet output i udgangslaget.
Figur 2 Kausalt net bestående a f knuder (begre
ber) og pile (sammenhænge).
Observationer introduceres til nettet ved at specificere hvilken tilstand i en knude, der er sand. Når mindst én knude i nettet er obser
veret, infereres denne viden til hele nettet, således at effekten på de øvrige knuder i nettet kan ses. Det er uden betydning hvilken knude i nettet, der observeres, idet viden kan inferere i alle retninger i et kausalt net.
Det teoretiske grundlag for kombination af sandsynligheder har været kendt meget længe, men anvendelse i større modeller har været forhindret af beregningernes astronomiske omfang. Først efter påvisning af metoder til mindre omfattende lokale beregninger (bla.
Lauritzen & Spiegelhalter, 1988), er det kausale sandsynlighedsnet blevet anvendeligt til prakti
ske problemer. Eksempler på kausale net er bL a. givet af Andreassen (1990) og Rasmussen et aL (1990).
Nearale netværk
Neurate netværk er inspireret af den menneske-
Iodgangs lag
fort)iDdelser
Skjult lag
fort)iDdelser
Udg&ogs lag
Figur 3. Neuralt netværk med tre lag a f neuroner, heraf ét slguh lag.
Vægtningsfaktorene og tærskelværdierne frem
kommer ved at "træne" det neurale net med data, hvor både input og output kendes. Input data sendes ind i indgangslaget og vægtene justeres indtil resultatet i udgangslaget svarer til det kendte output (Lautrup, 1990; Møller, 1990). Når et neuralt net er trænet med et tilstrækkeligt stort datasæt, har det vist sig, at nettet er istand til at generalisere og dermed
give et korrekt svar også på ukendte input data.
Evnen tQ at generalisere afhænger bLa. af hvor repræsentative, de anvendte trænings data er.
Hypermedia
Hypermedia kan defineres som et netværk af information, hvor selvstændige stykker viden kædes sammen ved hjælp af forskellige sam
menhænge. Viden kan være repræsenteret som tekst, grafik, indscannede billeder, lyd eller video.
Hypermedia bygger på den antagelse, at com
putere ikke kan fungere uden menneskelig assistance. Hvor et regelbaseret ekspertsystem ville forsøge at lede brugeren frem til én be
stemt løsning på et problem, fokuserer man i hypermedia på at vise mange forskellige for
tolkninger af et problem, for sfi at lade bru
geren vælge den bedst mulige. Hypermedia kan ses som et forsøg på at udvide det menneskeli
ge intellekt ved at sammenkæde det, som computeren er god til (stor hukommelse, hurtig søgning, datarepræsentation), med menneskeli
ge kvaliteter som evnen til at associere og drage slutninger på ufuldstændige data. Et hypermedi- asystem består af en underliggende database og en brugergrænseflade, se Skov (1990b).
Et oplagt område for anvendelse af hypermedia vil være informations-søgninger i store on-line databaser. Hypermedia kan også bruges som brugergrænseflade integreret med egentlige ekspertsystemer.
Evaluering af prototyper.
Regelbaserede systemer
Som emne for et pilotprojekt om regelbaserede systemer valgtes bederoeproduktion, hvor der eksisterer en række standardiserede handlings
planer (Kristensen et aL, 1988). Disse planer er i den eksisterende papir-udgave opbygget i et hierakisk nøgleformat Formålet med ekspert
systemet var at udvikle et interaktivt rådgiv
nings-system, som kan skabe en individuelt tilpasset handlingsplan, der kun indeholder det
relevante i den aktuelle situation. Overflytning af handlings-planerne til edb-tnedium vil give mulighed for at håndtere mere omfattende og detaljeret viden som grundlag for en aktuel rådgivning. Overflytning til edb-medium vil desuden kunne effektivisere og rationalisere arbejdet med at ajourføre viden.
Der er udviklet 2 prototyper. Der er dels anvendt et stort ekspertsystemværktøj - EGE- RIA - samt et visuelt programmeringssprog - Prograph - der muliggør visuel, objekt-orien
teret programmering.
De resulterende prototyper indeholder struk
turen for et interaktivt rådgivningsværktøj. De kan i dialog med brugeren give specifik, in
dividuel tilpasset vejledning til forskellige ar
bejdsprocesser vedrørende bederoedyrkning. En videreudvikling til et system, der kan bruges i rådgivningstjenesten, kræver dels integration med eksisterende programmer og databaser vedrørende bLa. gødskning og planteværn og dels en udbygning af systemets indhold af faglig viden.
Regelbaseret systemudvikling er desuden an
vendt til bestemmelse af genotypen hos kvæg ud fra kendskab til fænotypea I prototypen kan genotypebestemmelse foretages for Jersey
kvægs B-system. Andre blodtypesystemer vil kunne implementeres ud fra samme grundstam
me.
Konklusionen er, at regelbaserede systemer er anvendelige ved udvikling af afgrænsede sy
stemer, hvor der kan fastlægges veldefinerede sammenhænge mellem forskellige delelementer af den indsamlede viden.
Kausale netværk
Reproduktion hos malkekøer blev valgt som emne for et pilotprojekt om kausale netværk, blandt andet fordi der i reproduktionsproblema
tikken indgår et stærkt element af sandsyn
lighed, f. eks. vedrørende udfaldet af en insemi
nering. Ekspertsystemets formål blev fastlagt til
vurdering af mulige årsager til en utilfredsstil
lende reproduktion i malkekvægbesætninger.
Det kausale net i prototypen er en model af de biologiske sammenhænge mellem reproduktion og fodring, tilsyn og insemineringsteknik. Når reproduktionsresultatet er kendt, vil nettet vise sandsynlighederne for, at de nævnte faktorer har været optimale.
Der var i de indlettende faser et betydeligt tidsforbrug til de faglige eksperters forståelse af kausale netværk som metode (i høj grad be
roende på eksperternes fortrolighed med sand
synligheder for hele besætningen, mens det ved anvendelsen af kausale netværk er nødvendigt at modellere det enkelte individ). De faglige eksperter var først efter opnåelsen af den fornødne forståelse af metoden i stand til at levere et brugbart bidrag til netværkets struktur og parameterværdier.
Resultatet af pilotprojektet blev en prototype, som indeholder strukturen for såvel den enkelte ko som for en besætning (Rasmussen et aL, 1990). En videreudvikling til et system, som kan bruges i rådgivningstjenesten, kræver dels integration med en database med reproduk
tionsdata og dels udbygning af systemets ind
hold af faglig viden. Det sidstnævnte vurderes som det mest ressourcekrævende.
Kausale netværk er desuden anvendt til fast
læggelse af blodtyper hos kvæg ud fra målinger af reaktioner for et antal antistoffer. Formålet er i første omgang at bestemme kvægets gen
otype til brug i det videre avlsprogram, derud
over er systemet anvendeligt til at vurdere sandsynligheden for at en kalv virkelig har de angivne forældre. Netværket har indbygget mulig forekomst af fejl i antistofreaktioneme.
Blodtypeproblemet har den fordel, at den faglige viden er endelig, idet der er tale om veldefinerede sammenhænge mellem blodtyper og antistofreaktioner. Der er derfor færre problemer ved indsamling og formalisering af den faglige viden.
Konklusionen er, at kausale netværk er en
velegnet metode til udvikling af ekspert sy
stemer, som baseres på en model af det bi- olgiske og/eller tekniske område, systemet vedrører.
Neurale netværk
Det neurale netværk er også blevet anvendt til bestemmelse af blodtyper hos kvæg, her til fastlæggelse af et dyrs fænotype ud fra antistof- reaktionerne (Møller, 1990). Formålet var at forbedre bestemmelsen, når der er usikre (støjfyldte) antistofreaktioner. Det viste sig imidlertid, at det neurale netværk, efter træning med data indeholdende såvel entydige som usikre antistofreaktioner, snarere forringede bestemmelserne i den langt overvejende del af data med entydige antistofreaktioner.
Neurale netværk synes at være bedst egnede til problemstillinger, hvor der er behov for rutine
mæssig klassificering på grundlag af komplekse data, f.eks. genkendelse af billeder eller lyd. Der er ikke fundet problemstillinger af denne type i jordbrugsforskningen i noget væsentligt om
fang, hvilket dog kan skyldes, at metodens potentielle muligheder ikke er tilstrækkeligt kendte.
Metodernes relevans for jordbrugs
forskningen
Der er væsentlige forskelle mellem de tre omtalte egentlige ekspertsystemmetoder.
Neurale netværk er rent empiriske, idet et svar altid vil bygge på det tillærte fra træningsdata
sættet. Svar på input, som træningsdatasættet ikke er repræsentativt for, er uforudsigeligt.
Der kan ikke udtrækkes begrundelser for et givet svar fra et neuralt netværk. Anvendelsen af neurale netværk kan sammenlignes med brugen af en højere ordens polynomisk regres
sionsligning, som kan give en perfekt tilpasning til de givne data, men hvor ekstrapolation er af tvivlsom værdi.
Den regelbaserede reprassentationsteknik mangler gode strukturer til organisering af
viden for større problemkomplekser. Reglerne kan dog i mange nyere værktøjer bygges op som et hierarki af objekter med fastlagte egen
skaber og en dynamisk struktur af relationer mellem objekterne. Strukturering af regelsættet er vigtig, idet et regelbaseret systems in- ferensmetode ikke sikrer konsistens i svarene ved intra- eller ekstrapolation i forhold til den indlagte viden.
Kausale sandsynlighedsnet er baseret pä en velstruktureret model af det betragtede biologi
ske eller tekniske problemområde. Kausale sandsynlighedsnet er derfor sammenlignelige med andre velkendte metoder til mekanistisk simulering af biologiske systemer, f.eks. ved diffentialligninger. Forskellen til de mere tradi
tionelle metoder ligger primært i repræsenta
tion af viden i form af sandsynlighedsfordelinger og inferens af viden ved hjælp af sandsynlig
hedsberegninger. Intra- og ekstrapolation ved velstrukturerede simuleringsmodeller er be
hæftet med usikkerhed, men resultaterne er imidlertid en følge af de anvendte biologiske sammenhænge, som kan underkastes en viden
skabelig kritik.
Forskningens mål er - meget skematisk - tve
delt: At skabe ny viden under kontrollerede forsøgsbetingelser og at strukturere sådanne ofte modstridende fragmenter af viden i hel
heder. Forskeren vurderer derfor videnbaserede systemer ud fra ønsket om et medium for strukturerede helheder, et muligt alternativ til hårdt prøvede matematiske simuleringsmodel
ler. Konklusionen vedrørende brug af viden
baserede systemer i jordbrugsforskningen er derfor, at modelbaserede metoder, for de her omtalte metoders vedkommende kausale sand
synlighedsnet, appellerer til forskerens behov for forståelse af biologiske sammenhænge.
Det skal dog påpeges, at modellering i høj grad er valg af hvilke informationer, der skal be
nyttes, og hvilke der skal kasseres, fordi de ikke passer ind i strukturen. Der er derfor også behov for systemer, som bevarer mangfoldig
heden og giver mulighed for brugerstyret,
associativ informationssøgning (jævnfør be
skrivelsen af hypermedia). Sådanne systemer kan ikke lede til entydige konklusioner, men kan hjælpe brugeren, f.eks. en forsker, til at skabe sin egen opfattelse af strukturer.
Afslutning
Udvikling af videnbaserede systemer kan være en langsommelig og besværlig proces. Det er projektgruppens erfaring, at der eksisterer tre væsentlige ’flaskehalse’ i forbindelse med ud
vikling af videnbaserede systemer til det jord
brugsfaglige område:
• værktøjet
• kommunikationen
• ressourcerne
Det anvendte programmel har primært været værktøjer dedikeret til udvikling af videnbasere
de systemer. Disse værktøjer er karakteriseret ved at være relativt bekostelige i anskaffelse.
Flere af dem har desuden vist sig at være relativt svært tilgængelige. Det har således krævet en betydelig indsats at opnå tilstrækkelig indsigt i disse værktøjers potentiale for at kunne anvende dem formålstjenligt ved ud
vikling af prototypeme.
Kommunikation med fageksperter har ligeledes vist sig at være en krævende proces, især når systemet vedrører et fagligt problem, som ikke i forvejen er veldefineret. Der er således, i forbindelse med de prototyper hvor eksterne fogeksperter har medvirket, brugt megen tid på at opnå en fælles forståelse af fagområde og repræsentationsteknik. En sådan forståelse er en forudsætning for, at eksperten kan levere den nødvendige og relevante viden.
Det fører over i den tredje væsentlige forud
sætning for udvikling af videnbaserede syste
mer: Der skal i organisationen findes en eller flere fageksperter, der har tid og lyst til at
bidrage med en betydelig arbejdsindsats ved udvikling af systemet Det er projektgruppens erfaring, at det kan være vanskeligt at finde eksperter, der har mulighed for at afsætte den fornødne tål til dette.
Referencer
Andreassen, S., Jensen F.V. & Olesen KG . 1990. Medical Expert Systems Based on Causal Probabilistic Networks. In: Expert Systems in Agricultural Research, (ed. Skov et aL) Fællesbeietning nr. SF1, Statens Plan
teavlsforsøg og Statens Husdyrbrugsforsøg, Foulum. 33-57.
Ballegaard, T. 1990. Knowledge acquisition for expert systems. In: Expert Systems in Agri
cultural Research, (ed. Skov et aL) Fælles
beretning nr. SF1, Statens Planteavlsforsøg og Statens Husdyrbrugsforsøg, Foulum. 9-13.
Ballegaard, T. & Haas, H. 1990. WEEDEX - an expert system for identification of weed seedlings. In: Expert Systems in Agricultural Research, (ed. Skov et aL) Fællesberetning nr. SF1, Statens Planteavlsforsøg og Statens Husdyrbrugsforsøg, Foulum. 27-31.
Brummenæs, N. 1990. Teknikker for tapping av kunnskap. Inst, for Datateknik, Danmarks tekniske Højskole. København.
Dent, J.B. & Jones, J.W. (eds.) 1989. Expert Systems, Applications in Agriculture. Agri
cultural Systems, 31, 1-155.
Dindorp, U. 1990a. Development of an expert system for non-chemical weed control. In:
Expert Systems in Agricultural Research, (ed. Skov et aL). Fællesberetning nr. SF1, Statens Planteavlsforsøg og Statens Husdyr
brugsforsøg, Foulum. 23-26.
Dindorp, U. 1990b. Ekspertsystemer og deres brug i jordbrugssektoren. Temadag om Biometri og Informatik 1990. Beretning nr.
S2053, Statens Planteavlsforsøg. 77-82.
Hart, A 1986. Knowledge Acquisition for Expert Systems. Anchor Brendon, Ltd.
Essex.
Hayes-Roth, F., Waterman, D .A & Lenat, D.B. 1983. Building Expert Systems. Addison Wesley.
Kristensen, I., Hermansen, J.E. & Østergaard, V. 1988. Handlingsprogram for produktion af bederoer - Udvikling, analyse og anvendelse.
641. Beretning fra Statens Husdyrbrugsfor
søg, København.
Lauritzen, S.L. & Spiegelhalter, D.J. 1988.
Local computation with probabilities on graphical structures and their application to expert systems (with discussion). J. Roy. Sta
tist. Ser.B, 50: 157-224.
Lautrup, B. 1990. Neural networks as trainable classifiers. In: Expert Systems in Agricultural Research (ed. Skov et aL). Fællesberetning nr. SF1, Statens Planteavlsforsøg og Statens Husdyrbrugsforsøg, Foulum. 69-76.
Mikkelsen, S.A. & Skov, F. 1990. Forsknings
projektet "Ekspertsystemer i jordbrugsforsk
ningen". I Temadag om Biometri og Infor
matik 1990. Beretning nr. S2053, Statens Planteavlsforsøg, Lyngby. 107-108.
Motta, E., Rajan, T. & Eisenstadt, M. 1990.
Knowledge acquisition as a process of model refinement. Knowledge Acquisition, 2,21-49.
Møller, M. 1990. Phenogroup determination of cattle using a neural netwok approach. In:
Expert Systems in Agricultural Research (ed.
Skov et aL). Fællesberetning nr. SF1, Statens Planteavlsforsøg og Statens Husdyrbrugsfor
søg, Foulum. 77-81.
Rasmussen, L.K., Thysen I. & Pedersen K.M.
1990. An application of Causal Probabilistic Networks to examine reproduction of dairy cows. In: Expert Systems in Agricultural Research (ed. Skov et aL). Fællesberetning nr. SF1, Statens Planteavlsforsøg og Statens Husdyrbrugsforsøg, Foulum. 59-68.
Rolston, D.W. 1988. Principles of Artificial Intelligence and Expert Systems Develop
ment. McGraw-Hill, New York.
Skov, F., Ballegaard, T., Mikkelsen, S.A, Møl
ler, M.F. & Rasmussen, L.K. (eds.) 1990.
Expert Systems in Agricultural Research.
Fællesberetning nr. SFl, Statens Planteavls
forsøg og Statens Husdyrbrugsforsøg, Fou
lum.
Skov, F. 1990a. Rule-based expert systems. In:
Expert Systems in Agricultural Research (ed Skov et aL). Fællesberetning nr. SF1, Statens Planteavlsforsøg og Statens Husdyrbrugsfor
søg, Foulum. 15-22.
Skov, F. 1990b. Hypermedia - a new infor
mation technology. In: Expert Systems in Agricultural Research (ed Skov et aL). Fæl lesberetning nr. SFl, Statens Planteavlsforsøg og Statens Husdyrbrugsforsøg, Foulum. 95-
102.
Østerby, T. 1988. Knowledge acquisition and specification. Information modelling and knowledge bases. IOS Press, Amsterdam.
Emma: et edb-system til lagring af historiske oplysninger om forsøgsmarker ved Statens Planteavlsforsøg
A computer program to store and retrieve historical information on experimental fields at the Danish Institute o f Plant and Soil Science
Ove Juel Hansen, Afdeling fo r Biometri og Informatik
Résumé
Artiklen beskriver et edb-system - kaldet Emma-, der er under udvikling ved Afdeling for Biometri og Informatik. Emma er udviklet til brug på Statens Planteavlsforsøgs forsøgsstationer, og skal kunne gemme oplysninger om brugen af de enkelte forsøgsmarker. Sådanne oplysninger er eksempelvis hvilke afgrøder, der har været dyrket, datoer for såning, høst, markbehandlinger, mængde og type af gødning, kalkning, vanding, samt forsøgsbehandlinger og placeringer af forsøg.
Oplysningerne gemmes på en sådan måde, at det er muligt at rekonstruere historien for en mark eller for et punkt i en mark.
Summary
This paper presents a computer program being developed at the Department of Biometry and Informatics. The program is named Emma. Emma is to be used at the various research divisions of the Danish Institute of Plant and Soil Science. Emma stores many kinds of background infor
mation on the use of the experimental fields. Such information are crop types, sowing and harvesting dates, amounts and types of fertilizer used, plant protection, watering, liming, exact place of trials, a.o. Thus, the information stored allows the reseacher at a later date to reconstruct the agricultural history of the field.
Indledning
Formålet med udviklingen af Emma er dels at stille et edb-system til rådighed for forsøgs
stationerne til administration af forsøgsmar
kerne, men også at sikre, at oplysninger om markernes behandling lagres på et elektronisk læsbart medium, og at historiske data bevares for eftertiden. En marks historie kan være vig
tig, når nye forsøg skal udlægges eller når forsøgsresultater skal fortolkes.
De oplysninger, der gemmes i Emma’s databa
se, tjener først og fremmest som baggrund
soplysninger for de forsøg, der har været udført i marken. Sådanne baggrundsoplysninger kan
være nyttige, hvis forsøgsdata senere skal revurderes, og måske endda anvendes i sam
menhænge, der ikke var tænkt på, da data pro
duceredes.
Beskrivelse af Emma
Edb-systemet Emma består af to dele: en setup- del og en egentlig driftsdel
I Emma’s setup-del indlægges en række grund
oplysninger om den forsøgsstation, hvorpå Emma implementeres. Vigtigst her er oplys
ninger om markerne. Alle forsøgsstationens marker skal have et navn eller en betegnelse.
Over hver mark skal der være udlagt et ret
vinklet koordinatsystem. I dette koordinatsy
stem bestemmes koordinaterne for markens hjørner. Disse lagres i databasen; herefter har Emma tilstrækkelige oplysninger til at kunne tegne markens omrids ud pfi skærmen eller pä et stykke papir.
Udover oplysninger om marker indlægges i setup-delen også en række mere generelle oplysninger, der bruges i forbindelse med udskrifter. Det drejer sig om forsøgsstationens navn, adresse, UTM-zone, og lignende konstan
te oplysninger.
I princippet afvikles setup-delen een gang for alle pä det tidspunkt, hvor systemet implemen
teres pä en af forsøgsstationens pc’ere.
Emma’s driftsdel er (ligesom setup-delen) me
nustyret. Hovedmenuen ses som en menubjæl
ke øverst på skærmbilledet i Fig. 1. Punkterne Marker, Planlægning, Forsøg, og delvis Udlæg er indtastningsmoduler, og punkterne Oversigt, Markrapport og Forsøgsrapport er udtræksmo
duler. I det følgende gives en kort beskrivelse af de enkelte punkter i hovedmenuen.
Jordbehandling Gødskning Uanding Kalkning Afgrøde
Plantebeskytte1se Jordfysik
Jordkeni Andet Retur
E M M A Ver. 0.0 Copyright: Afd.f.Bianetri oglrifornatife31'.12.1991
Fig.l. Emma’s hovedmenu. Menubjælken viser hovedmenuen; den viste rullegardinmenu er undermenu til hovedmenuens første punkt: Marker.
Marker anvendes til indtastning af behandlinger eller registreringer, der er knyttet til en enkelt mark eller dele heraf, men som ikke er knyttet til et bestemt forsøg. Rullegardinmenuen på Fig. 1 fortæller kort, hvilke oplysninger, der kan registreres i Emma’s database under dette punkt.
Planlægning anvendes når et forsøg er under planlægning og endnu ikke ønskes udlagt i marken. Udover forsøgsnummer og titel regi
streres også parcelfordelingsnøglen, og antallet og størrelsen af parceller. Måske bliver det også muligt i Emma at inkludere faciliteter til auto
matisk generering af forsøgsplaner.
Planlægnings-funktionen vil have en grænse
flade til Statens Planteavlsforsøgs indtastnings
system, idet det fra Emma vil være muligt at danne en fil med en parcelfordelingsnøgle
således at denne kan anvendes direkte af ind
tastningssystemet.
Udlæg anvendes til at placere et planlagt forsøg i marken. Hertil bruger Emma dels de oplys
ninger, der allerede er registreret om markerne, og dels de oplysninger om forsøget, der er regi
streret under forrige punkt. Udlæg anvendes også, når et forsøg er afsluttet, og det anvendte areal dermed frigives til nye forsøg.
Forsøg anvendes til indtastning af forsøgsbeand- linger. Forud herfor er en beskrivelse af for
søget lagret i databasen med Planlægning, og udlagt i en mark med funktionen Udlæg. Ind
tastningen er derfor i princippet en bekræftelse på at forsøget er udført som planlagt. Indtast
ning af forsøgsbehandlinger vü normalt ske på led-niveau.
Karter Planlægning Udtag Forsøg Oversigt flarkrap. Forsøgsrap. Afslut
■■ — --- — . / ■ Gødskning ** Tilføjer— ---- —---- —:— —— ;—
Markens navn eller betegnelse : al Dato for udbringning 11991-05-16
A ■ ■
Type af gødning: svinegylle Dosering: 50000 kg/ha
Total-N: 300 kg/lia finnoniuto-N: 150 kg/lia
Fosfor: kg/lia Kalium: kg/ha
Magnesiun: kg^lia Natrium: kg/ha
Hangan! kg^ha Kobber: kg/ha
Bor: g'ha Nitrat: kg/ha
Sanne behandling for lie le marken (j/n)? N
E H H ft Uer. 0.0 ■jright: ftfd.f.Biometri og Informatik 31.12.1991
Fig. 2 Eksempel på indtastningsbillede. Brugeren har først valgt ’Marker’ i hovemenuen, demøst
’Gødskning’i rullegardinmenuen. Funktionstasten F l udskriver en hjælpetekst til alle indtastningsfelter.
Oversigt udskriver på papir en oversigt over forsøgsstationens forsøgsarealer.
Markrapport udskriver på skærmen eller på papir en oversigt over en marks historie, enten i form af skitser eller rapporter. Brugeren skal udover at angive, hvilken mark, der har inter
esse, også specificere tidsinterval og hvillke elementer af dens historie, der skal medtages (f.eks. gødskning fra 1980 til 1988 i mark AS).
Forsøgsrapport udskriver på skærmen eller på papir en oversigt over et forsøg, enten i form af skitser eller rapporter. Brugeren skal opgive forsøgsnummeret
Modulet Marker
Som et eksempel på hvordan samspillet mellem indtastningsbilleder, tegnefaciliteteme og data
basen virker gennemgås hovedmenupunktet Marker mere detaljeret.
Har man først valgt Marker i hovedmenuen og eksempelvis gødskning i undermenuen, vises på skærmen først en ny mindre menu, hvor man skal vælge om man ønsker
1) at indtaste nye oplysninger, eller
2) gennemse eller rette i allerede indtastede oplysninger, eller,
3) at slette oplysninger i databasen.
Hvis brugeren vælger 1) udskrives et indtast
ningsbillede som vist i fig. 2 på forrige side.
--- --- Markarea 1--- — Indtast koordinaterne for det ønskede markareal.
lijørnenr.l: 35.00 m 181.69 m hjørnenr.2' 35.00 n 19.72 n 'lijørnenr.3: 385.00 n 19.72 ti li jørnenr .4: 385.00 m 181.69 n
Fig. 3. Figuren viser et skærmbillede med koordinatsystemets akser, markens omrids og det indtegnede, gødede areal. I højre hjørne vises koordinaterne fo r det indtegnede areal.
Når dette skærmbilledet er udfyldt bliver bru
geren spurgt om gødskningen har fundet sted på hele marken eller kun på en del af marken.
Er det sidste tilfældet, skal Emma have oplys
ninger om hvilken del af marken, der er gødet.
Brugeren kan give disse oplysninger ved sim
pelthen at indtaste hjømekoordinateme for det gødede markareaL Efter at hjømekoordinateme er indtastet tegner Emma på skærmen en skitse over marken med det gødede areal indtegnet (billedet er meget nær det, der er vist på Fig.
3). Hvis tegningen ser ’rigtig ud’ kan brugeren vælge at gemme denne, se Fig. 4.
Brugeren kan imidlertid også vælge selv at tegne det gødede areal ind på skærmen. Emma udskriver så en skitse på skærmen med koordi
natsystemets akser og marken indtegnet, og aktiverer derefter en simpel tegnefunktion. Med denne kan brugeren på en enkel måde med tastaturets piltaster markere hjørnerne af det gødede areal Når brugeren er tilfreds med sin tegning, beregner og udskriver Emma hjøme
koordinateme for det udpegede areal (Fig. 3).
Brugeren kan - hvis han/hun ønsker det - rette i disse. Som en ekstra sikkerhed tegner syste
met herefter påny på skærmen en skitse, der vi
ser det gødede markstykke udlagt i marken.
Vælger brugeren nu at gemme tegningen (fig.4), husker Emma, at netop det markareal blev gødet på den indtastede dato med gødning af den anførte type.
Fig. 4. Skærmbilledet efter afsluttet indtegning.
Anvendte Edb-værktøjer
Systemet er udviklet med programmerings- sproget C (Microsoft). Data gemmes i en relatio n sd atab ase udviklet med IN FORMIX/SQL. Som grænseflade mellem C og Informix er anvendt INFORMDC/ESQL Til menuskærmbilleder og indtastningsbilleder er anvendt C-scape og til grafik grafikpakken HA
LO.
Afslutning og status
Udviklingen af Emma påbegyndtes primo 1989 som et gruppearbejde med repræsentanter for forsøgsstationerne og forfatteren. Som afslut
ning på gruppearbejdet udarbejdedes en egent
lig kravsspecifikationsrapport, der efterfølgende blev sendt til høring ved forsøgsstationerne. Af de mange forslag til forbedringer, vil flere blive indarbejdet i det færdige system.
Selve programmeringen - der alene foretages af forfatteren - påbegyndtes ca. et halvt år senere.
Et helt færdigt edb-system vil først forligge om nogle år. Emma er imidlertid modulært op
bygget, og det er derfor tænkeligt, at de første moduler (marker og markrapporter) kan frigi
ves til test inden for et år.
V
Udvikling af edb-modellen HUGO for omsætning af kvælstof fra dyr til plante, herunder kvantificering af de enkelte led i omsætningskæden.
Development o f the edp-model HUGO for nitrogen in the chain o f processes from animal to plants.
Ivan M unk Afdeling fo r Arealdata og Kortlægning
Resume
En projektgruppe har udarbejdet en redegørelse og systembeskrivelse vedrørende kvælstofudnyttel- sen, herunder udarbejdet en prototype af en model for omsætning af kvælstof i alle procestrin fra dyret fodres til planternes optagelse af kvælstof. Det var her en central opgave, at kvantificere de enkelte led i omsætningskæden. Udviklingen og strukturen af modellen HUGO beskrives, og der gives eksempler på anvendelse. Endvidere beskrives videreudvikling og fremtidig anvendelse af modellen.
Summary
A review is given of the entire chain of processes from production of manure in the stable to utilization of nitrogen by plants in the field. A description of a prototype of a system analysis model for this chain of processes is given, aiming at a quantification of existing knowledge for use in operational context. Five steps were identified in the chain of processes for livestock manure: 1.
Feeding and manure production, 2. Manure dynamics in the stable, 3. Manure storage and treatment, 4. Manure application on the field and 5. Nitrogen cycling in soil and uptake by plants.
The system analysis model based on the same chain of processes has been programmed on a PC.
Each step in the model accounts for: input of nitrogen, loss of nitrogen and remaining nitrogen in the system. In step 5 only uptake of nitrogen by plants was considered. Within the present project it was not possible to include the complicated and dynamical processes in the soil necessary to describe losses from this step. Examples of calculations with this model are also given. The parameters in the model are partly based on research results and partly estimates. The model can be made more detailed as new knowledge arises.
Indledning
Med den nuværende håndteringspraksis er udnyttelsen af husdyrgødnings indhold af plan- tenæringsstoffer ofte for lav, og der er ikke tilstrækkelig viden om, i hvilke led i omsæt
ningskæden en forbedring har størst effekt.
1 1989 nedsatte Landbrugets Samråd for Forsk
ning og Forsøg en tværfaglig projektgruppe, som skulle udarbejde en redegørelse og system
beskrivelse vedrørende kvælstofudnyttelsen, herunder udarbejde en prototype til en model (Hansen et a l 1990). I herværende artikel beskrives udarbejdelsen af denne model, der fik navnet HUGO (HUsdyrGødningsOmsætning).